(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111628141.4 (22)申请日 2021.12.28 (71)申请人 上海数禾信息科技有限公司 地址 200135 上海市浦东 新区中国 （上海） 自由贸易试验区金科路2889弄1号2层 201室 (72)发明人 乾春涛　 (74)专利代理 机构 北京知果之信知识产权代理 有限公司 1 1541 代理人 高科 (51)Int.Cl. G06Q 40/08(2012.01) G06Q 40/04(2012.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 风险识别方法及装置 (57)摘要 本公开提供一种风险识别方法及装置， 所述 方法包括建立第一模型， 所述第一模 型根据用户 属性和用户借贷行为计算用户的还款积极度； 建 立第二模型， 所述第二模型根据用户属性和用户 分类标签计算用户的违约风险； 建立第三模型， 所述第三模型根据用户属性和用户交易行为计 算用户的借款风险； 建立第四模型， 所述第四模 型根据所述第一模型、 所述第二模型、 所述第三 模型以及预设常规变量， 对用户进行金融风险分 析。 本公开的方法能够自动识别客户动态风险； 与客户的已知风险融合加入到二级加强模型进 行训练， 由此得到既有已知风险也有动态风险的 二级风控架构系统， 用来给通过的客群进行新增 拒绝策略开发， 有效防止高风险人群的误判。 权利要求书2页 说明书9页 附图2页 CN 114298849 A 2022.04.08 CN 114298849 A 1.一种风险识别方法， 其特 征在于， 所述方法包括： 建立第一模型， 所述第一模型根据用户属性和用户借贷行为计算用户的还款积极度； 建立第二模型， 所述第二模型根据用户属性和用户分类标签 计算用户的违约风险； 建立第三模型， 所述第三模型根据用户属性和用户交易行为计算用户的借款 风险； 建立第四模型， 所述第四模型根据所述第一模型、 所述第 二模型、 所述第 三模型以及预 设常规变量， 对用户进行 金融风险分析。 2.根据权利要求1所述的风险识别方法， 其特 征在于， 所述建立第一模型的方法包括： 获取用户数据， 所述用户数据包括用户属性标签数据和用户借贷行为标签数据， 其中， 所述借贷行为数据包括表征分期还款、 正常还款、 提前还款、 逾期还款、 授信额度的数据中 的至少一个； 基于用户在预订时长内的还款金额占总金额的比例， 确定用户的还款积极度， 其中， 所 述还款积极度包括用户在预定时长内的还款积极性； 通过XGBOOST算法或者逻辑回归算法实现对所述第一模型的训练， 当达到预设训练条 件时， 确定所述第一模型。 3.根据权利要求1所述的风险识别方法， 其特 征在于， 所述建立第二模型的方法包括： 通过预先获取的训练数据集， 通过决策树模型， 将训练数据集中用户多头信息作为输 入变量， 训练数据集中用户违约信息作为目标变量， 训练所述决策树模型， 得到多头违约分 类标签； 通过预先获取的训练数据集， 通过XGBOOST模型， 将训练数据集中违约用户的属性信息 作为输入变量， 违约用户的多头违约分类标签作为目标变量， 训练所述XGBO OST模型； 将训练好的决策树模型和XGBO OST模型作为所述第二模型。 4.根据权利要求1所述的风险识别方法， 其特征在于， 所述预设常规变量包括借款期 数、 风险定价、 用户特 征中至少一种； 所述建立第四模型的方法包括： 将所述第一模型输出的还款积极度、 所述第二模型输出的用户的违约风险、 所述第三 模型输出 的用户的借款风险， 以及所述预设常规变量输入待训练的第四模型， 生成风险分 析数值； 通过所述风险分析 数值实现对待训练的第四模型的训练。 5.根据权利要求1所述的风险识别方法， 其特征在于， 在将所述第 一模型输出的还款积 极度、 所述第二模型输出的用户的违约风险、 所述第三模型输出的用户的借款风险， 以及所 述预设常规变量输入待训练的第四模型， 生成风险分析 数值之前， 所述方法还 包括： 将所述还款积极度、 用户的违约 风险、 用户的借款风险， 以及所述预设常规变量进行分 组平滑处理， 将进行分组平滑 处理后的还款积极度、 用户的违约 风险、 用户的借款风险， 以及预设常 规变量输入待训练的第四模型， 生成风险分析 数值。 6.一种风险识别装置， 其特 征在于， 所述装置包括： 第一单元， 用于建立第一模型， 所述第一模型根据用户 属性和用户借贷行为计算用户 的还款积极度； 第二单元， 用于建立第二模型， 所述第二模型根据用户 属性和用户分类标签计算用户权　利　要　求　书 1/2 页 2 CN 114298849 A 2的违约风险； 第三单元， 用于建立第三模型， 所述第三模型根据用户 属性和用户交易行为计算用户 的借款风险； 第四单元， 用于建立第 四模型， 所述第 四模型根据所述第一模型、 所述第二模型、 所述 第三模型以及预设 常规变量， 对用户进行 金融风险分析。 7.根据权利要求6所述的风险识别装置， 其特 征在于， 所述第一单 元还用于： 获取用户数据， 所述用户数据包括用户属性标签数据和用户借贷行为标签数据， 其中， 所述借贷行为数据包括表征分期还款、 正常还款、 提前还款、 逾期还款、 授信额度的数据中 的至少一个； 基于用户在预订时长内的还款金额占总金额的比例， 确定用户的还款积极度， 其中， 所 述还款积极度包括用户在预定时长内的还款积极性； 通过XGBOOST算法或者逻辑回归算法实现对所述第一模型的训练， 当达到预设训练条 件时， 确定所述第一模型。 8.根据权利要求6所述的风险识别装置， 其特 征在于， 所述第二单 元还用于： 通过预先获取的训练数据集， 通过决策树模型， 将训练数据集中用户多头信息作为输 入变量， 训练数据集中用户违约信息作为目标变量， 训练所述决策树模型， 得到多头违约分 类标签； 通过预先获取的训练数据集， 通过XGBOOST模型， 将训练数据集中违约用户的属性信息 作为输入变量， 违约用户的多头违约分类标签作为目标变量， 训练所述XGBO OST模型； 将训练好的决策树模型和XGBO OST模型作为所述第二模型。 9.根据权利要求6所述的风险识别装置， 其特征在于， 所述预设常规变量包括借款期 数、 风险定价、 用户特 征中至少一种； 所述第四单 元还用于： 将所述第一模型输出的还款积极度、 所述第二模型输出的用户的违约风险、 所述第三 模型输出 的用户的借款风险， 以及所述预设常规变量输入待训练的第四模型， 生成风险分 析数值； 通过所述风险分析 数值实现对待训练的第四模型的训练。 10.根据权利要求6所述的风险识别装置， 其特征在于， 所述装置还包括第五单元， 所述 第五单元用于： 将所述还款积极度、 用户的违约 风险、 用户的借款风险， 以及所述预设常规变量进行分 组平滑处理， 将进行分组平滑 处理后的还款积极度、 用户的违约 风险、 用户的借款风险， 以及预设常 规变量输入待训练的第四模型， 生成风险分析 数值。权　利　要　求　书 2/2 页 3 CN 114298849 A 3